Académique Documents
Professionnel Documents
Culture Documents
São Carlos
2003
DEDICATÓRIA
A Kátia, a mulher que amo, por seu amor, por se tornar pai e mãe de
nossos filhos em meus intermináveis devaneios pelo mundo acadêmico. A Maina
por sua dedicação e carinho.
Ao clã dos Uchôas, Conce, Beth e Humberto pela torcida, pela saudade e
pelo carinho. A Rita, que com sua amizade, generosidade e desapego, tornou
possível mais esse passo.
Aos meus cunhados. Os dois, cada um ao seu tempo, cada um de seu jeito,
foram importantes. Antônio no início, na saída de Belém e a César por sua ajuda
providencial em nosso regresso.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA SIGLAS
RESUMO
SILVA, C. A. U. UM MÉTODO PARA ESTIMAR OBSERVÁVEIS GPS
USANDO REDES NEURAIS ARTIFICIAIS. São Carlos, 2003, 112 p. Tese
– Escola de Engenharia de São Carlos, Universidade de São Paulo.
ABSTRACT
1
INTRODUÇÃO
1
Precise Point Positioning
3
1.1. Objetivos
1.2. Justificativas
Este trabalho pode também ser legitimado em função do uso que ele
proporciona à enorme massa de dados gerados e disponibilizados pelo
Departamento de Geodésia do IBGE (DEGED), os dados da RBMC, que
geralmente, são usados apenas pelo próprio instituto e também por
pesquisadores, com aplicações específicas em seus campos de estudo.
O Brasil não conta com uma densa rede de estações ativas de receptores
de dupla freqüência e código P, o que facilitaria diversas aplicações geodésicas,
que normalmente requerem um refinamento maior em termos de precisão
espacial do posicionamento. Até junho de 2003, a única rede de estações GPS
com estas características é a RBMC, composta atualmente de apenas 15 estações
e que não são suficientes para cobrir de maneira uniforme toda a extensão
territorial brasileira. Isto fica mais evidente ao se observar os imensos vazios na
região amazônica, onde atualmente a única estação em operação está localizada
em Manaus.
2
O ESTADO DA ARTE
Com relação às redes neurais, sabe-se que o Brasil é um dos países que
registra um dos maiores crescimentos mundiais no estudo da inteligência
artificial ou inteligência computacional. Segundo levantamento do Conselho
Nacional de Redes Neurais, praticamente todas as grandes universidades
federais, estaduais e algumas particulares possuem estudos voltados para esta
área. São comuns trabalhos que apresentam a utilização de RNAs
principalmente em previsão de dados, algoritmos de aprendizado, otimização de
sistemas, reconhecimento de padrões e outros.
3
O SISTEMA DE POSICIONAMENTO GLOBAL
NAVSTAR/GPS
são moduladas por códigos para fornecer leituras dos relógios dos satélites ao
receptor e também para transmitir informações tais como os parâmetros
orbitais, HOFFMANN-WELLENHOF et al. (2001). Os componentes desses
sinais encontram-se resumidos na Tabela 1.
Diversas razões, para as quais não cabe uma análise mais detalhada
neste momento, concorrem para que no Brasil a maioria dos usuários do sistema
GPS utilize receptores de uma freqüência. Dentre elas pode-se destacar a
significativa diferença de custo entre os conjuntos receptores de uma e dupla
freqüências.
3.2.1. Pseudodistância
expressões:
tGPS S t S dt S (1)
tGPS R tR dt R (2)
onde:
PDi R c RS c(dt R dt S ) P D i R
S S
(3)
onde:
S (t ) f S t f S oS
c (5)
R (t ) f Rt OR
15
As fases iniciais, OS e OR , são causadas pelos erros dos relógios e são
iguais a:
OS f S S
(6)
OR f R R
RS (t ) S (t ) R (t )
(7)
RS (t ) f S f S S f R R ( f S f R )t
c
apenas da ordem de fração de Hz. Isto pode ser constatado ao se considerar que
df
a estabilidade na freqüência em um curto intervalo de tempo é de 10 12 ,
f
RS (t ) f f (8)
c
RS t
to denota a fração de fase na época t adicionado ao número inteiro
1 c
N (10)
É uma ferramenta que pode ser usada para processar desde uma única
estação até uma rede com centenas de pontos. A precisão das coordenadas
calculadas individualmente no PPP é comparável a soluções de redes, ou seja,
variam de poucos milímetros a poucos centímetros. Entretanto, ele é incapaz de
identificar correlações entre estações, GREGORIUS (1996).
2
File Transfer Protocol
3
Uniform Resource Locator
21
formato dos dados, o usuário receberá um e-mail como resposta avisando destes
erros. O tempo de resposta, geralmente, é cerca de 10 minutos. Após esse
período, o usuário receberá um e-mail com o endereço de ftp onde se encontram
oito arquivos para serem copiados com as seguintes informações:
1. Dados de observação;
2. Dados de navegação;
3. Dados meteorológicos;
4. Mensagem de navegação GLONASS;
5. Mensagem de navegação GEO;
6. Dados de relógio de receptor e satélite.
4
REDES NEURAIS ARTIFICIAIS (RNAs)
Optou-se, neste trabalho, por uma abordagem que faz uma analogia entre
RNAs e estatística, numa tentativa de tornar mais claros seus conceitos
fundamentais e adequá-los a um jargão mais familiar à engenharia. Porém,
deve-se enfatizar que o estudo das RNAs é um importante campo dentro da
Inteligência Artificial, área da Ciência da Computação.
SARLE (1994) descreve redes neurais como sendo uma ampla classe de
modelos discriminantes e regressão não linear flexível, modelos de redução de
dados e sistemas dinâmicos não lineares. Com freqüência, compostos por
5
Modelo artificial de um neurônio biológico
25
pesos
Pode-se dizer que é nos pesos que reside todo o conhecimento adquirido
pela rede. Os pesos é que são os parâmetros ajustáveis e que mudam e se
adaptam à medida que o conjunto de treinamento é apresentado à rede. Assim
sendo,o processo de aprendizado supervisionado em uma RNA com pesos,
resulta em sucessivos ajustes dos pesos sinápticos de tal forma que a saída da
rede seja o mais próximo possível da resposta desejada.
28
SARLE (1994) afirma que embora muitos modelos de redes neurais sejam
similares ou idênticos a modelos estatísticos bastante conhecidos, a terminologia
na literatura de RNAs é muito diferente que aquela usada por estatísticos. Por
exemplo, na literatura de RNAs:
Inicialização
pesos iniciados com valores aleatórios e pequenos ( w 0.1 );
Treinamento
Loop até que o erro de cada neurônio de saída seja tolerância, para todos os
padrões do conjunto de treinamento;
1. Aplica-se um padrão de entrada o de entrada Xi com o respectivo
vetor de saída da Yi desejado;
2. Calculam-se as saídas dos neurônios, começando da primeira camada
escondida até a camada de saída;
3. Calcula-se o erro para cada neurônio da camada de saída. Se
erro tolerância, para todos os neurônios, volta ao passo 1;
4. Atualiza-se os pesos de cada neurônio, começando pela camada de
saída, até a primeira camada escondida.
5. Volta-se ao passo 1 caso a diferença entre a saída da rede e a resposta
desejada seja maior que uma determinada limite, especificado pelo
usuário.
H JT J (11)
g JTe (12)
xk a xk J T J I
1
JTe (13)
5
MATERIAIS E MÉTODOS
5.1 Materiais.
relógio dos satélites. Maiores detalhes sobre este formato podem ser obtidos no
seguinte endereço eletrônico: http://www.ngs.noaa.gov/GPS/SP3_format.html,
02/12/2002.
8
Instituto Brasileiro de Geografia e Estatística
9
Instituto Nacional de Pesquisas Espaciais
10
World Wide Web
42
Como a RBMC foi escolhida como base dos dados, com os quais
efetivamente se constrói o modelo, buscou-se fazer um levantamento estatístico
dos dados gerados pelo IBGE com a finalidade de ratificar o seu uso para esta
aplicação, além de conseguir-se uma visão mais ampla acerca da freqüência e
qualidade de seus dados.
400
total de dias observados
350
300
250
200
150
100
50
0
vico uepp sav riod recf poal para braz smar cuib bonj crat mana fort impz
Estações RBMC
2000 2001 2002
16
14
N° de estações simultâneas
12
10
0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do anos 2000
16
N° de estações simultâneas
14
12
10
8
6
4
2
0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do ano 2001
11
Departamento de Geodésia
46
14
N° de estações simultâneas
12
10
8
6
4
2
0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do ano 2002
5.2 Metodologia
1. Revisão Bibliográfica;
2. Busca e definição das estações GPS com receptores L1/L2 e código P
que possam ser utilizadas sistematicamente para treinamento da
rede neural;
3. Busca e ou implementação do algoritmo neural que melhor se
adaptou à extrapolação e interpolação para estimativas de dados
GPS;
4. Criação e montagem do padrão de entradas mais representativo com
dados obtidos de tal forma a se obter, como respostas, um conjunto de
L2 e ou P2 por satélite/época;
5. Desenvolvimento de aplicativos que possibilitem:
a. Ler e extrair de um conjunto de arquivos de dados GPS, para um
determinado conjunto de épocas específicas (240 épocas por hora a
cada 15 segundos);
b. Ler e extrair de um arquivo de efemérides precisas através de
interpolação os dados de posição para cada a cada 15 segundos;
c. A partir das informações obtidas no arquivo GPS e também de
efemérides precisas, construir um arquivo com os padrões de
entradas e saídas para treinamento da rede (aprendizado
supervisionado) adaptado a diferentes formatos de saída;
d. Garantir aleatoriedade quando da apresentação dos padrões à
rede e se necessário, transformar e normalizar os dados;
6. Implementação e testes com o algoritmo escolhido;
50
Faz parte das suposições iniciais que os algoritmos de redes neurais que
utilizam o conceito de aprendizado supervisionado, conseguissem gerar
estimativas adequadas a esta modelagem. Assim, decidiu-se iniciar com o
modelo backpropagation, o mais difundido entre os modelos neurais conhecidos e
bastante utilizado devido a sua excelente capacidade de generalização.
Taxa de aprendizado (), variando entre 0; 0,1; 0,2; 0,3; 0,5 e 0,9;
Termo momento (), variando entre 0,0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7;
0,8 e 0,9;
Uma rede neural necessita, via de regra, que os dados passem por um
pré-processamento no sentido de aplicar transformações visando um bom
desempenho no processo de aprendizagem neural e a estabilidade do algoritmo
backpropagation durante o processamento. Dentre as transformações, a mais
comum é a normalização, que coloca todos os dados comprimidos dentro de um
intervalo entre 0 e 1 ou entre -1 a 1.
6
APRESENTAÇÃO DOS RESULTADOS
Onde:
rede).
fase.
Isso provoca um aumento excessivo de dados, com os quais a rede diminui a sua
capacidade de generalizar.
D E.S.O.ET (15)
Onde:
((24h * 240 épocas ) *12 satélites * 4 observáveis *14 estações ) 3870720 dados
Embora essa seja a tese a ser defendida, não se pode deixar de aplicar o
método para atender ao objetivo precípuo para o qual ele foi desenvolvido, ou
seja, a tentativa de melhorar a precisão posicional de uma determinada estação
observada por um receptor de uma freqüência.
Processamento Pontual I:
35
30
25
metros
20
15
10
5
0
desvio plano desvio espacial
Tipo de desvio P2modif
P2original
20
15
10
5
0
desvio plano desvio espacial
Tipo de desvio P2modif
P2original
metros
15
10
5
0
desvio plano desvio espacial
P2modif
Tipo de desvio P2original
Processamento I:
3.5
3.0
2.5
metros
2.0
1.5
1.0
0.5
0.0
Desvio Plano Desvio Espacial
L3 modificada
Tipo de desvio
L1 original
2
1.5
1
0.5
0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original
metros
1.5
1
0.5
0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original
1.5
metros
0.5
0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original
Processamento II:
EFEMÉRIDES PRECISAS;
ÂNGULO DE CORTE: 15°.
8.0000
6.0000
metros
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
Linha base:CUIB-UEPP
10.0000
8.0000
6.0000
metros 4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio
L3 modificada
L1 original
Linha base:RIOD-UEPP
14.0000
12.0000
10.0000
metros
8.0000
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
8.0000
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
8.0000
6.0000
metros 4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
Processamento III:
Linha base:IMPZ-RIOD
12.0000
10.0000
8.0000
metros
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
2.0000
1.5000
1.0000
0.5000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
Linha base:UEPP-RIOD
7.0000
6.0000
5.0000
metros
4.0000
3.0000
2.0000
1.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original
3.0000
2.0000
1.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio
L3 modificada
L1 original
Para se ter uma idéia mais geral deste problema, pode-se citar como
exemplo o programa SKI-PRO de fabricação Leica. A versão anterior o SKI 2.3,
lê e processa com eficiência o arquivo modificado gerado pelo programa MORE-
GPS, enquanto o SKI-PRO não o faz, pois apresenta um erro de leitura do
arquivo. Para ser processado pelo SKI-PRO o arquivo modificado teve de ser
carregado pelo SKI versão 2.3 e gravado com formato RINEX novamente e só
então pôde ser lido e processado pelo SKI-PRO.
101
7
CONCLUSÕES E RECOMENDAÇÕES
Ainda que a idéia inicial fosse factível, não havia como testar as hipóteses
aqui levantadas em função da absoluta inexistência de programas que
conseguissem extrair e manipular dados de arquivos GPS com esta finalidade.
103
Como já foi dito antes, não se deseja fazer nenhuma comparação entre o
desempenho e as possibilidades oferecidas por diferentes programas de
processamento GPS. Por este motivo, utilizou-se apenas alguns dos programas
disponíveis no Departamento de Transportes-EESC/USP.
Capítulo 6 indicam a influência desse erro nas coordenadas finais das estações
estimadas para diferentes tipos de processamento.
Vislumbro ainda uma outra aplicação potencial deste método, que seria a
utilização dos arquivos modificados para a geração de modelos regionais
dedicados à correção do atraso ionosférico.
108
8
Referências Bibliográficas
BOON, W.; SEGANTINE, P.C.L. (1999). Testing JPL’s PPP Service. GPS
Solutions, pp 73-76, Vol.3, no. 1.
DEMUTH H.; BEALE M. (1997). Neural Network Toolbox For Use with
MATLAB. User’s Guide,Version 3.0. MathWorks.
109
FAZAN. J.A. (2002). Controle de Qualidade dos dados GPS da RBMC. Relatório
Científico de Bolsa de Pesquisa de Iniciação Científica – FAPESP.
Presidente Prudente, julho 2002.
HERTZ, J.; KROGH, A.; PLAMER, R.G. (1991). Introdution to the Theory of
Neural Computation. Lecture Notes, Vol I, Santa Fe Institute Studies in the
Sciences of Complexity. Addison-Wesley.
JUDGE G. G. et. al. (1980). The Theory and Practice of Econometrics. John
Wiley & sons.
LEICK, A.(1995). GPS Satellite Surveying. John Wiley & Sons, Inc. A Wiley-
Interscience Publication. New York.
111
MADER, G. et. al. (1998). OMNI 4.0 – UPDATE OF USER’S GUIDE- NEW
MERGE. Rockville, Maryland.
SARLE, W.S. (1994). Neural Networks and Statistical Models. Proceedings of the
Nineteeth Annaul SAS User Group International Conference. Cary,NC,
USA.